做完活动后，如何评估活动效果？

” 如果让你来评估这次活动，你会怎么分析？”

无论是面试还是工作，做数据分析的同学都经常遇到这个问题。

本文作者就对此展开了系统的讲解并分享了相关方法，供大家一同参考和学习。

全文共 2893 字，阅读需要 6 分钟

—————— BEGIN ——————

场景还原：某音乐类 APP，对新用户进行一个新注册即送 7 天会员权益的活动，用户注册后，自主决定是否点击领取，为期 1 个月。

问：如何评价该活动。

活动评估常见错误

首先牢记，所有以评估 / 评价 / 判断作为动词的问题，答案只有一种：” 好 or 坏 “。

比如，如何评价该活动，可以回答：

这个活动很好，该继续做；

这个活动不好，不能做

这个活动不好不坏，鸡肋

这个活动没有任何改变，做了也白做

这才是评估类分析的核心结论。离开这四句话，其他的都是废话。比如：

活动期间有 4 万新人注册

活动期间注册人数比活动前多 1 万

活动期间新用户点击率是 80%

活动期间新用户使用权益率 30%

这些统统不是结论，只是分析过程而已。如果没有结论，直接甩这些过程指标，很容易遭遇业务方反问：” 所以呢？所以呢？你分析了啥？结论呢！” 最后被搞得灰头土脸。

活动评估关键问题

活动评估，首先要得出好 / 坏评价。如果评价是好，再看能不能继续做，还能做多少次；如果是评价是差，再看差在哪里，是差得不可救药，还是能拯救一下继续用。

数据 + 标注 = 判断。因此想得出好 / 坏判断，需要有 2 样东西：

明确的考核指标。

明确目标数值。

达标了，算好；不达标，不好——就这么简单（如下图）。

看似简单，实际上运营经常干的是：

稀里糊涂：老板让做我就做，至于为啥？咱也不知道，咱也不敢问。

呆头呆脑：我就是要做拉新人，拉就完了奥力给！

投机取巧：反正以前干过 / 别人也在干，干就完了。

浑水摸鱼：这是改变用户心智资源，数据岂能衡量！

总之，十个运营里最多只有俩，能准确说清楚现状和目标。这时候就需要数据分析师自己有独立判断能力。能分析业务逻辑、梳理业务过程，才能得出客观结论。这里我们拿完全稀里糊涂的场景举例，看如何帮运营理清目的。

从 0 建立评估模型的做法

第一步，梳理活动流程

运营活动会改变用户的行为，进而体现为数据指标的变化。从 0 开始建立评估模型，第一步就是了解活动具体流程，了解活动可能导致的用户行为变化。

比如问题里的新用户送权益，可以按如下梳理（如下图）：

了解到行为变化以后，可以进一步看这些行为能用什么数据记录，能反应为什么指标的变化。

经过梳理，我们就能看清楚衡量活动结果的指标了。

这些工作，应该是运营在策划阶段的干的事，如果事前没做好，事后就要补课。

第二步，筛选主指标

一个活动可能影响方方面面，比如上边的问题，有送东西，你说：

能增加新用户注册——没毛病；

能增加会员购买机会——似乎有机会

能提升忠诚度减少流失——似乎也有道理

能增加 DAU！——额，理论上新注册多了，DAU 也增加。

如果不看数据，光听嘴巴讲，以上当然都有道理。但真要一锅炖，让你计算没有流失的用户，送会员占比百分之几，产品本身占比百分之几，歌曲数量占比百分之几，能算清楚就见鬼了。

所以，评估指标要分主次，才容易说清楚问题。

如果是事前定目标，那么活动的主指标应该与目标紧密结合，优选直接受影响的指标。

比如活动是为了拉新，那主指标就是新注册用户数；如果活动是为了提高新用户留存率，那主要考虑的就是 1-7 日内留存情况。

这里看似简单，实则很容易被运营浑水摸鱼。

运营经常喜欢扯一堆影响指标，甚至扯什么 ” 我的活动从深层次改变了用户心智认知，从而达到了数据不可衡量的深远影响 “，总之搞一堆指标进来，哪个好看说哪个，不好看的不说。

做数据评估，最忌讳搞几百个指标然后做巨复杂的评估公式，混淆进来的的东西越多，就有越多搞文字游戏的空间，就越容易粉饰太平。越简单清晰的评估，才越容易看出问题。

第三步，设定判断标准

有了清晰的主指标，可以找判断标准。

找标准有四个基本思路：

从整体结果出发，看总量。比如本月需要 10 万新用户，所以必须做到 10 万。

同无活动对比，看增量。比如无活动一个月 5 万，活动必须 5+5 万，多的 5 万作为标准。

同过往活动对比，看效率。比如拉新活动一般 100 块一个新人，所以这次不能超过。

同无参与的用户对比，看差异。比如分无参与组 / 参与组，对比参与组新注册数 / 留存率。

站在公司角度，肯定是第一种方法最实在；但站在组织活动的角度，都喜欢突出自己的贡献，因此倾向于用 2、3、4 种方法。

运营最喜欢谈：自然增长率（没有活动情况下，自然增长是多少），并且总是倾向于把自然增长率算得低低的，或者干脆弄成负数，这样才显得活动牛逼无比。

要注意的是：所谓自然增长率，只在活动不频繁的时候才能计算。很多业务（比如电商、O2O），根本就是活动不断，大活动套小活动，根本区分不出来，这时候就不适用。

同理，设参照组的前提，是参照组根本没有活动提醒和活动参与功能，且参照组和活动组用户质量差不多——如果不满足这个限制条件就很难直接得出活动效益好的结论。

这些方法都是看似科学，实则充满玩猫腻空间。

想讨论清楚问题，就简单直接立标准。

第四步，找影响结果的过程

以上 1、2、3 步都是为了得出判断做铺垫。有了 ” 好 / 坏 ” 判断。就能进一步分析为啥好，为啥坏。这时候就需要细化梳理业务流程，找到能影响结果的关键点。

比如拉新活动，广告投放渠道、广告文案、注册流程、进去以后提示权益方式、领取会员权益流程，都会有影响（如下图）：

在分析这些指标的时候，要注意先后顺序。

比如有关新用户注册问题，要先看各个用户来源渠道的投放力度，活动是否及时上架，何时与投放结合；之后才是深入分析文案、活动礼品、领取后行为等等。

小结

这个题目如果拿来面试，你能一眼看出来菜鸟、新手、老手的区别：

菜鸟：我认为应该从用户增长、产品体验、品牌影响、商业收入、四大方面考虑，blablabla。然后你就抓住品牌影响问他，到底怎么衡量，基本就能把他问死。

没入门的菜鸟与新手之间最大差距，是他们根本不知道数据还需要做采集。菜鸟们最喜欢凭空讲一些很难收集，但听起来牛逼的指标。

新手：我认为应该考虑新人注册数、新人次日、3 日、7 日留存、新人会员领取率、新人留存市场、新人点击次数、新人购买会员数、新人使用权益频次……（此处省略 100 多个各色指标）。建立神经网络模型，综合评估。

是滴，新人第一喜欢堆砌指标，似乎指标越多越牛逼。第二喜欢扯模型，不管模型能不能用，自己用没用过，扯了就牛逼。唯独会忽视标准问题。

想怼死新人，只要问 ” 凭什么增长 5 万就是好，4 万 9 千 1 百 2 十 7 就不好！”" 你建神经网络评价模型，好 / 坏活动的标注谁来打，是对整个活动打标还是对某些指标打标，不同类型活动凭什么摆在一起打标 ” 基本就把新人问蒙了。

说到底，活动评估这件事，又是一件思路清晰比技术高深重要，守住节操比思路清晰重要的事。只要对运营常见活动：拉新、促活、留存、转化、裂变等等玩法有基础了解。对常规运营数据有认识，对过往活动有了解跌，基本上都能答出正确答案。

怕就怕对业务流程了解太少，连人家在干啥都不懂。

文章来源于接地气学堂 ，作者接地气的陈老师